結構方程模型簡介與應用
2021-01-15 用戶行為研究這是UBS與您的第60次美好分享
用戶體驗指標的刻畫和評估是用戶行為研究工作職責中重要的一個環節，但在實際研究中，「用戶體驗」往往是一個抽象而複雜的概念，難以被直接且單一的測量。並且，各個影響因素（變量）之間的關係往往也不是單向或一元的。為了弄清促進用戶體驗提升及產品各項指標增長的影響機制，我們將在這篇文章中介紹結構方程模型的概念及應用，供大家嘗試探索。
結構方程模型（Structural Equation Modeling，SEM）是一般線性模型的擴展，並非單指某一種特定的統計方法，而是一套用以分析共變結構的技術整合。SEM將因素分析和路徑分析有機結合，相較於傳統的回歸分析方法，它具有能處理多個因變量、考慮測量誤差影響等優勢，更適合用於解決實際業務中受多因素影響的用戶體驗問題。
2 結構方程模型組成及應用
結構方程模型由兩部分組成，即測量模型（Measurement Model）和結構模型（Structural Model）。本文將主要介紹以上兩個模型的概念及其應用。
在實際研究中，並非所有的概念都是可以被直接觀察和測量的。比如我們在調研愛採購賣家的體驗時，這裡的賣家體驗其實就是一個抽象的概念，是賣家對平臺所有可觀測量化指標的綜合反映，這些指標可能會包括賣家通過平臺獲得的詢盤量、訂單量、主要權益的滿意度、接收到服務速度和質量等等。在SEM中，如用戶體驗這些抽象且無法直接測量的概念，被稱作「潛變量（Latent Variable）」，而那些能被直接觀測的變量，如詢盤量，則稱為「觀察變量（Observed Variable）」或「外顯變量（Manifest Variable）」。我們了解越多賣家對平臺有效觀察變量的反饋，對賣家體驗的刻畫就越真實可靠。基於對測量模型的驗證，我們發現賣家對平臺的綜合體驗，可以在一定程度解釋為賣家對平臺的效果體驗，權益體驗和服務體驗（滿意度）的集合。需要注意的是，觀測變量並非能完全解釋潛變量，在整體測量模型中同時存在無法解釋的誤差（也稱殘差），誤差大小及分布的影響是實際施測中同樣需要考慮的部分。
下圖所示為愛採購賣家體驗測量模型，描述每個觀測變量與潛變量關係的模型就是測量模型，通過構建測量模型，我們可以檢驗每個觀察變量（如訂單量）與相對應的潛變量（效果體驗）之間的關係是否符合研究者所設計的理論關係，即進行驗證性因子分析（Confirmatory Factor Analysis，CFA）。
2.2 結構模型
與檢驗觀測變量和潛變量之間關係的測量模型不同，結構模型主要用於檢驗潛變量間的關係。如果單獨看待結構模型，就是傳統的路徑分析（Path Analysis），旨在解釋變量間的因果或預測關係。
隨著研究的深入，我們發現過去研究中常用的相關分析或一元/多元回歸分析方法很難解釋變量間的因果關係，比如在研究愛採購賣家續費意願時，僅通過相關分析，很難判斷是體驗影響續費意願，還是續費意願影響體驗。而單純的使用多元回歸分析，我們只能發現各體驗維度指標對續費意願的獨立影響，而忽視了各體驗指標間的相互作用。
當我們試圖深入探索各體驗指標之間的關係時，中介效應及調節效應分析為回答這個問題提供了可能性，中介效應和調節效應並非某種統計方法，而是分析變量間相互作用時常用到的關係描述。
2.2.1 中介效應
當X影響Y，並且X是通過一個中間變量M對Y產生影響時，則M就是中介變量（Mediator），M起的就是中介作用（Mediation Effects）。比如假設新熱內容的日均分發量（X）會影響用戶的Feed推薦滿意度（M），進而影響用戶Feed使用時長（Y），此時Feed推薦滿意度就是這一路徑中的中介變量。
如果X與Y有關係，但是X與Y的關係受第三個變量Z的影響，那麼Z就是調節變量（Moderator），Z起的就是調節作用（Moderation Effects）。比如假設用戶對Feed推薦滿意度（X）會影響其Feed使用時長（Y），同時這種影響關係會受到是否同時使用競品（Z）的幹擾，如Feed推薦滿意度對同時使用競品的用戶Feed使用時長的影響力與不同時使用競品的用戶的影響力存在明顯差異，這時競品使用經驗就在其中起到調節作用。
通過構建結構模型，我們能更全面清晰地反映出潛變量間的關係，除了直接的因果關係外，我們還會發現更多間接因果關係或其他非因果關係。如我們在研究愛採購賣家的續費意願時，結合定性資料和前期調研，對整體續費模型做出假設，並通過SEM進行驗證和修訂，最終確定了影響賣家續費意願的結構模型，如下圖所示：
1）其中效果體驗對續費意願具有最強的直接效應，同時在權益體驗和服務體驗影響續費意願的路徑中發揮中介作用，是影響續費意願的關鍵；2）服務體驗除了直接影響賣家續費意願外，同時能通過影響效果體驗和權益體驗進而影響續費意願，我們認為是提升續費的落點；
總結上文，應用SEM方法能幫助我們在業務分析中通過可觀測的外顯變量驗證潛在的構想概念，以釐清目標結構。同時能幫助我們驗證各影響因素間複雜的相互關係，深入探索業務目標的影響機制。
但同時有以下幾點需要注意：
1）SEM更多用於驗證性的分析。因此在實際研究中，需要我們先結合業務分析、定性研究、理論總結等方法設定初始的理論模型，再加以驗證。簡而言之，假設先行，可以先把概念之間的影響路徑畫出來，再轉變為統計模型進行修正；2）SEM一般要求比較大的樣本量。由於SEM所處理的變量數目較多，變量間的關係較為複雜，樣本規模的大小會影響整體分析的穩定性和適用性。一般而言樣本量需要超過200，當涉及潛變量較多時，可根據題目量的10倍設置樣本量；3）分析數據時直接使用原始數據。由於SEM的數學及統計學基礎建立在方差和協方差分析中，使用SEM時應直接使用原始數據或樣本的協方差矩陣，而非標準化數據或相關矩陣，以避免產生錯誤的參數估計或誤差。最後，由於篇幅限制，本文僅對SEM的方法和應用進行了初步介紹，對於SEM更多的方法應用和具體操作感興趣的同學可參考以下書目詳細瀏覽學習。
《結構方程模型及其應用》——侯傑泰，溫仲麟，成子娟
👇喜歡就關注我們吧👇
相關焦點
-
結構方程模型簡介
1、SEM 可以研究顯在變量與潛在變量以及潛在變量之間的關係；2、SEM 能明確地估計測量誤差等參數，並估計整個模型的擬合程度；原文1. Rosseel, Yves. "lavaan: An R Package for Structural Equation Modeling." -
結構方程模型(SEM)簡介
這一期分享的是張靜儒同學對SEM模型及其應用的簡單介紹。之後小編會每周定期推送北大旅研中心往期例會的精彩內容，敬請期待吧～結構方程模型(SEM)是一種多變量統計技術，用以驗證變量間的因果關係。它基於兩個統計技術：因子分析和路徑分析。目前，結構方程模型被廣泛地應用於心理學、社會科學等學科。SEM通常包括兩類模型：測量模型和結構模型。 -
結構方程模型元分析:Web應用
結構方程模型元分析（Meta-analytic structural equation modeling）是元分析的一個非常有潛力的方向，但是對於沒有使用過R和R包的初學者而言，做結構方程模型元分析還是比較困難的。基於此，我們也專門講解了結構方程模型元分析，感興趣的讀者可以聯繫小編QQ：3417492134獲取該課程。 -
SEM 結構方程模型
近期想做一些宏觀方面的研究，上周聽業內的一位大佬講怎麼做分析，忽然想起了之前自己看過的關於系統中的反饋迴路和結構方程模型，於是重新來學習一下結構方程模型。幸運的是，SEM這個現在有python包了。希望能夠最終用到吧。一、基本內容SEM 廣泛應用與經濟學、社會學、心理學和生物信息學領域。 -
似乎用不到的結構方程模型
前些天想做一些研究分析，忽然想到是否可以用結構方程模型來做一些分析，於是找了關於結構方程模型的書籍和資料。 -
OpenMinds | 第十二講: 實驗研究中結構方程模型的應用
>時間：北京時間2020年8月2日(星期日)22:00 通訊工具：ZOOM會議ID：https://cernet.zoom.com.cn/j/7100843237內容簡介：結構方程模型（SEM）可以為進行實驗的研究人員提供有用的功能。 -
結構方程模型 VS 回歸方程模型,究竟有何不同?
回歸方程模型是處理顯變量時最實用、應用最廣泛的定量方法，而結構方程模型則是處理潛變量的最主要、最實用的定量方法。兩者存在一定的聯繫和區別，具體如下：回歸模型是結構方程模型的基礎模塊之一（還有路徑模型、因子模型）；結構方程模型可以視為估計潛變量之間複雜關係的回歸分析。 -
結構方程模型入門(純乾貨!)
結構方程模型屬於多變量統計分析，整合了因素分析與路徑分析兩種統計方法，同時可檢驗模型中的顯變量（測量題目）、潛變量（測量題目表示的含義）和誤差變量直接按的關係，從而活動自變量對因變量影響的直接效果、間接效果和總效果。結構方程模型基本上是一種驗證性的分析方法，因此通常需要有理論或者經驗法則的支持，根據理論才能構建假設的模型圖。 -
結構方程模型應用:驗證性因素分析
問卷結構的來源有多個方面，主要的是：探索性因素分析的結果和理論模型。驗證性因素分析需要對多個結構進行分析，並從中選擇擬合度最優的作為結果。在本文中，我們以「自尊量表」的數據為例進行說明。自尊是心理學裡面的一個重要概念，Rosenbeng於1965年編制了的自尊量表是經典的自尊測量工具。 -
為什麼建議結構方程模型新手首選Amos?
AMOS是用於處理結構方程模型的軟體。AMOS的全稱是Analysis of Moment Structure，除了AMOS可用於結構方程模型分析外，還有LISREL和EQS等軟體。結構方程模型分析的軟體主要綜合了兩個統計分析功能：降維分析和線性回歸分析。 -
什麼是結構方程模型(SEM)?
當然，結構方程模型也可以估計常見的顯變量模型或潛顯混合模型（被解釋變量、解釋變量既可以是潛變量，也可以是顯變量）。並且，相比傳統的顯變量估計方法，結構方程模型具有更多更強大的功能，能獲得更好的估計結果。無論理論層面還是經驗統計層面，SEM技術都是一種更具優越性的方法（Iacobucci，2012）。 -
AMOS結構方程——界面介紹【二】| 結構方程模型
運用結構方程進行探索分析時，打開軟體後，面對的是一個全新的頁面，今天給大家介紹一下AMOS結構方程軟體界面。當我們下載安裝後， 這個標識，就是AMOS結構方程軟體的標誌。為了方便大家下載安裝，已經把軟體安裝包放在百度網盤裡啦，後臺回復「結構方程」即可獲取資源（已失效）當AMOS結構方程軟體打開後，會出現這個頁面。 -
結構方程模型(SEM)到底有多厲害?
結構方程模型是一種建立、估計和檢驗因果關係模型的方法。模型中既包含有可觀測的顯在變量，也可能包含無法直接觀測的潛在變量。結構方程模型可以替代多重回歸、通徑分析、因子分析、協方差分析等方法，清晰分析單項指標對總體的作用和單項指標間的相互關係。結構方程彌補了傳統統計方法的不足，成為多元數據分析的重要工具。 -
Meta分析培訓班/結構方程模型應用培訓班
北京凌雲翼數據科技有限公司將於 2019 年 10 月 26-27 日 / 11 月 2-3 日在北京舉辦 Meta 分析培訓班 / 結構方程模型應用培訓班，歡迎各界感興趣的人士參加。 -
簡單易懂,結構方程模型思路總結
結構方程模型是結合了多種統計分析方法，可同時檢驗因子、分析項、誤差項間的關係，既可以測量也可以進行分析。本文將基於SPSSAU系統進行說明。結構方程模型1、方法辨別結構方程模型SEM包括測量關係和影響關係；既可以測量各因素內部結構及相關之間的關係情況 -
結構方程模型都有哪些應用?
剩下的一部分被用來結合測量模型中得出的因子得分，並把因子得分與因變量聯繫起來，這一部分稱為結構模型。有時候，因為經驗研究或者理論模型提供了成熟的背景研究，自變量們就會自動地被結合起來，此時測量模型就派不上什麼用處了。在一些研究中，我們不關心測量誤差是多少，只關心模型裡面的原始變量。這些原始變量在SEM中被稱為「觀察變量」。 -
結構方程模型出現問題如何辦?
而結構模型是指影響關係情況，比如模型中Factor1和Factor2影響Factor3；Factor3影響Factor4。如果說只研究測量模型，那麼通常是指驗證性因子分析CFA；如果說只研究結構模型，則稱作路徑分析path analysis。驗證性因子分析和路徑分析均是結構方程模型的特殊形式。 -
揭秘結構方程模型(SEM)
然而，所有的結構方程模型：包括measurement model +structure model, 都是用這幾個參數來設定的。所以，理解這些還是非常必要的。這篇文章將逐個解讀這些參數，讓你真正的理解這些參數和模型之間的關係（及自由度），正確解讀Mplus的輸出結果，以及當模型報錯時候找出錯誤的根源。 -
現場+直播 | MPLUS結構方程模型(SEM)實戰研討會
結構方程模型（SEM, Structural Equation Modeling -
結構方程模型還傻傻學不會?說的就是你,看這裡!
結構方程模型是一種建立、估計和檢驗因果關係模型的方法。模型中既包含有可觀測的顯在變量，也可能包含無法直接觀測的潛在變量。結構方程模型可以替代多重回歸、通徑分析、因子分析、協方差分析等方法，清晰分析單項指標對總體的作用和單項指標間的相互關係。結構方程彌補了傳統統計方法的不足，成為多元數據分析的重要工具。